知识卡片
岭迹分析与k值判定
岭参数 k 在 (0,+∞) 内变化时,A(k) 是 k 的函数,把它画成曲线就是岭迹。岭迹的核心用途是诊断变量与选 k:某系数在 k=0 时很大却随 k 略增就骤降趋零,说明它不稳定、可剔除;某系数从正骤变为负,或原本很小却显著起来,都提示古典回归的判断不可靠;两个强相关变量的系数各自剧烈波动、其和却稳定,说明保留一个即可。把所有系数的岭迹画在一张图上还能判断最小二乘是否可信:岭迹整体“乱”、不稳定度大时,要怀疑最小二乘是否反映了真实;平稳时则更有信心。选 k 的一般原则是:各系数岭估计趋稳,符号由不合理变合理,绝对值合乎实际,残差平方和增大不多。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 第7章 预测的技术与哲学 · 查看原书依据
下面给出几个k值选择的一般原则。 (1)所有回归系数的岭估计趋向于稳定。 (2)在最小二乘估计中的符号不合理的回归系数,在岭估计中符号变为合理。 (3)回归系数没有不合乎实际意义的绝对值。 (4)残差平方和增大得不太多。
参考来源
- 位置:《机器学习算法原理与编程实践》第7章 预测的技术与哲学(源文件:extracted/机器学习算法原理与编程实践/_epub-src/OEBPS/text00025.html)
- 结论依据:原文用六幅岭迹图分别说明不稳定、符号反转、变量取舍与整体稳定性判断,并给出四条 k 值选择原则,支撑这段诊断与选 k 说明。
- 原始内容:下面给出几个k值选择的一般原则。 (1)所有回归系数的岭估计趋向于稳定。 (2)在最小二乘估计中的符号不合理的回归系数,在岭估计中符号变为合理。 (3)回归系数没有不合乎实际意义的绝对值。 (4)残差平方和增大得不太多。